２０１０年第ｌ６期 （总第１５１期） 串圈高新技术企业 Ｃｈｉｎａ Ｈｉ－Ｔｅｃｈ Ｅｎｔｅｒｐｒｉｓｅｓ ＮＯ．１６．２０ｌ０ （ＣｕｍｕｌａｔｉｖｅｔｙＮＯ．１５１） 预测模型的特点及应用研究 刘 辉，葛生燕，钟 武，田小琴，张锦琰 （重庆邮电大学，重庆４０００６５） 摘要：预测在现实生活中有很重要的运用，实用域很广。由于社会经济的需要，不同的预测模型也随之应运而生，如 灰色预测模型、曲线模拟、回归分析、神经网络、时间序列分析预测模型。不同的预测模型各有特点和适用范围，文章 通过对某货运公司未来七天用户货运申请量预测的具体实例，探讨预测模型的特点和应用。 关键词：预测模型；灰色预测模型；曲线模拟；回归分析；时间序列分析；神经网络 中图分类号：０４３８ 文献标识码：Ａ 文章编号：１００９—２３７４（２０１０）１６—０１０８—０２ 我们通过对一些货运公司运营及工作的了解，发现如果 数列呈上下波动且范围较大，必须采用高阶的多项式模拟。 公司能够提前得到一段时间内每天的货物申请量作为参考， 然而，多项式模拟随着阶数的增加预测结果的可信度就越低， 般是不超过３、４阶，然而３、４阶无法模拟出此题的数列的 那么将带来极大的经济效益。根据实际情况得到某货运公司 一现有一个月的Ａ类货物申请量数据，来预测其后７天内每天 趋势，所以，曲线模拟在此题也不适用。 各类货物申请量。其中，Ａ类货物一个月的申请量 １６０１ ５４２１ １８９０ ４４３９ １７０３ ３２３２ ２２００ ｌ１６７ １８９７ ３７３７ ｌ８０７ １６２８ ｌ７２３ ２５８４ １５５１ ２４７９ １ １９９ ４１４８ ２４４９ ２０２６ １６９０ ３３７４ ２０１５ ２４８０ １８５０ ２２４９ １６７４ ３６６６ ２０２９ １２３８ ｏ （三）回归分析 回归分析法又称统计分析法，其任务是确定预测值和影 响因子之问的关系。该方法不仅依赖于模型的准确性，更依 赖于影响因子其本身预测值的准确度。在此题中只给出一个 们无法从题目中找出影响因子，因此回归分析在此题中仍然 不适用。 预测需要有历史数据的支持，根据已给数据的特点，决定 月的货物申请量，并没有给出其他相关的数据信息，所以，我 用什么样的模型进行预测。下面我们一一介绍和运用。 一、各种预测模型介绍及特点 （四）时间序列分析 （一）灰色预测模型 时间序列较为抽象。设已知时间序列 ， ，…咒，其 灰色预测方法，特别是ＧＭ（１，１）模型，近年来在社会， 中 表示某活动第ｉ个时刻的数据，时间序列预测就是在ｎ 科技，农业，气象，水利，医学等各个领域得到了广泛的应用， 时刻根据前ｎ个时刻的数据估计第ｎ＋ｌ时刻的值，这是一个 但在实际的应用过程中发现效果时好时坏。我们通过以下原 对给定的数据拟合一个模型然后进行外推的过程。 从上面可以看出，想要使用时间序列分析，数据间必须存 但是在本题中，顾客的申请总量是随机 １．若原始序列是杂乱无章的，经过ＧＭ（１．１）模型后，序 在着某种依赖关系， （ ， ，… ）这样的数据 列也成指数型变化规律，因此，可以说ＧＭ（１．１）基本只适合 的，不存在或很难寻找到 ＋指数型变化的系统。 依赖关系，因此，时间序列分析在此题也不适用。 因了解其特点： ２．Ｇ（１．１）对累加之后的原始数据可能会预测的更为准 通过以上分析可知以上预测模型在此题中均不适用，那 确，但对原始序列直接校验预测的有可能不准确。 有没有使用于此题的预测模型呢？有，那就是神经网络预测 ３．灰色模型的根本假设是假定参数ａ，“为定常数的一 模型。 ， （１），“ 阶线性微分方程 ｄｒ ＋甜０ ）＝ 向原始数列逼近，其本质 （五）神经网络模型 是使原始数据成指数规律变化。 神经网络是人脑神经网络的一种物理模型，是由大量神 经元按照一定的方式组合而成的网络。数学上可以证明神经 通过以上解释我们可以得出：灰色模型只适合成指数型 网络可以逼近任意的函数，这样一来神经网络模型可以弥补 变化的序列，在本题中，我们明显可以看出数列并不是指数的 其他很多方法的在数据搜集因素相关分析等方面的缺陷。神 变化趋势，所以灰色预测模型在此题中不适用。 经网络以其独特的信息处理特点，在许多领域得到成功的运 （二）曲线模拟 用。 １．神经网络模型基本原理。在拥有一些输入和相应的 这条曲线能反映负荷本身的增长趋势，然后按照这个增长趋 输出而不清楚由输入得到输出机理的情况下，我们可以把输 势曲线，对要求的未来某一点估计出那个时刻的负荷预测值。 入与输出之间的未知过程看成是一个“网络”，通过不断地给 常用的趋势模型有线性趋势模型、多项式趋势模型、线性趋势 这个网络输入和相应的输出来“训练”，网络便不断地调节各 模型、对数趋势模型、逻辑斯蒂（１ｏｇｉｓｔｉｃ）模型等。 节点之间的权值以满足输人输出。训练结束后，我们给定一 从本题给出的数列来看，多项式模拟比较适合，但是，此 个输入，网络便会根据已调节好的权值计算出一个输出。这 一曲线模拟是根据已知的历史资料来拟合一条曲线，使得 １０８一 就是神经网络的基本原理。 ２．神经网络预测步骤：（１）首先要明确建立的这个模型 的内部逻辑关系；（２）确定隐层数，神经元的个数，画出简要 ｙｋ＝ｓｉｍ（ｎ，ｐｋ） ｙｋ＝ｙｋ．＊４００００ 通过以上代码，不断调节神经元个数，和神经层数，未来 模型图；（３）确定采用什么样的神经网络来建立模型；（４）通 七天用户申请量预测结果见表１：袁１ 过测试数据来训练模型；（５）根据测试训练得到的数据和实 际数据进行比对，估算出误差。从而修改隐层中的权值和阀 Ｉ第一天ｌ第二天ｌ第三天Ｉ第四天ｌ第五天Ｉ第六天Ｉ第七天Ｉ值。 Ｉ １６６３ ｌ ２４０５ ｌ １５５８ Ｉ １８５２ Ｉ ３５０９ Ｉ １６０５ Ｉ ２１９８ Ｉ 二、ＢＰ神经网络建模及求解 结果分析：从预测结果来看，预测结果的仍然符合原来数 列上下波动的趋势，并且保持着历史数据按时间变化的规律， 根据以上步骤，我们来编写相应的程序，应用ＭＡＴＬＡＢ 结果较为理想，预测结果可以作为公司进行决策时的参考。的神经网络工具箱对该网络模型进行训练主要代码如下： ｃｌｅａｒ ％清除已建网络 ｐ＝［１６０１ ５４２１ １８９０ ４４３９ １７０３ ３２３２ ２２００ １ １６７ １８９７ ３７３７ １８０７ １６２８ １７２３ ２５８４ １５５１ ２４７９ ｌ ｌ９９ ４１４８ ２４４９ ２０２６ １６９０ ３３７４ ２０１５ ２４８０ １８５０ ２２４９ １６７４ ３６６６ ２０２９ １２３８］； ｐｌ＝ｐ．／４００００ ％数据转换 ｐｉ＝ｐｌ（ｈ１２） ％选取训练样本 ｔｉ＝ｐｌ（９：２０） ％注意与网络输入层节点数对应 ｎ＝ｎｅｗｆｆ（［Ｏ １］，【５ ７ １］）； ％建立网络，注意各层调整节点数 ｎ．ｔｒａｉｎｐａｒａｍ．ｓｈｏｗ＝５０； ％设定参数 ｎ．ｔｒａｉｎｐａｒａｍ．ｇｏａｌ＝Ｏ．０００１； ％精度不是越小越好，双向 调整 ｎ．ｔｒａｉｎｐａｒａｍ．ｅｐｏｃｈｓ＝ｌＯ００； ％实际次数很小，调整对结 果有影响 ｎ＝ｔｒａｉｎ（ｎ，ｐｉ，ｔｉ）； ％训练网络 ｙｉ＝ｓｉｍ（ｎ，ｐｉ） ｙｌ＝（ｙｉ—ｔｉ）．／ｔｉ ％计算目标相对误差 ｐｋ＝［Ｏ．０８９６ ０．１０５２ ０．１２００］； ％选择检验样本 ｔｋ＝［Ｏ．１４８３ ０．１６２４ ０．１８６９］； ｙｋ＝ｓｉｍ（ｎ，ｐｋ） ％仿真检验，与ｔｋ对比 ｙ２＝（ｙｋ－ｔｋ）．／ｔｋ ％计算检验相对误差 ｐｋ＝ｐｌ（２４：３０１； ％预测后七天的申请量 三、思考与建议 通过对货运公司运营的具体事例的解题，我们可以对各 种预测模型有一个基本的了解。可以发现，不同的预测模型 都有着各自独特的特点，在适用于它们的领域和问题中，发挥 着极其精妙的作用。在当前我国经济飞速发展的形式下，倘 若我们能够掌握各种预测模型的特点，灵活运用在各个行业 中，必定为各行业本身，为社会、国家带来更大的经济效益和 发展。预测模型在社会上的广泛使用只是我们对知识和科技 用知识运用的典型，更为重要的是我们能够真正的具备用知 识武装头脑，用科技创造未来的思想去为国家创造更为灿烂 的明天。 参考文献 ［１］李丽，王振领．ＭＡＴＬＡＢ工程计算及应用［Ｍ】．北京： 人民邮电出版社，２００１． 【２】吴翠娟．基于神经网络的选煤厂日用水量预测研究 ｆＪ１．２００９，（４）． ［３】王惠霞，冯俊文，苏琴．灰色预测模型与指数曲线预 测模型的比较分析『Ｊ］．１９９５，（３）． 【４】秦大建，李志蜀．基于神经网络的时间序列组合预测 模型研究及应用［Ｊ］．计算机应用，２００６，２６（Ｚ１）． ［５］魏巍，ＭＡＴＬＡＢ控制工程工具箱技术手册［Ｍ］．北京： 国防科技工业出版社，２００４． 一１０９—
